CC BY
18
Оригинальная статья
УДК 004.89:622.33:658.5.012.7:004.6 © И.А. РождественскаяН, Н.А. Завалько, К.Е. Лукичев, А.В. Зубенко, А.М. Лаффах, 2025
Финансовый университет при Правительстве Российской Федерации, 125993, г. Москва, Россия Н e-mail: [email protected]
Original Paper
UDC 004.89:622.33:658.5.012.7:004.6 © I.A. RozhdestvenskayaH, N.A. Zaval'ko, K.E. Lukichev, A.V. Zubenko, A.M. Laffakh, 2025
Financial University under the Government of the Russian Federation,
Moscow, 125993, Russian Federation H e-mail: [email protected]
Применение технологий больших данных для повышения устойчивости и эффективности
угольной промышленности в условиях цифровой трансформации отрасли
Application of big data technologies to improve sustainability and efficiency of the coal industry in conditions of digital transformation of the industry
DOI: http://dx.doi.org/10.18796/0041-5790-2025-1-82-92
РОЖДЕСТВЕНСКАЯ И.А.
Доктор экон. наук, профессор кафедры «Государственное и муниципальное управление», Финансовый университет при Правительстве Российской Федерации, 125993, г. Москва, Россия, e-mail: [email protected]
ЗАВАЛЬКО Н.А.
Доктор экон. наук, профессор кафедры
«Государственное
и муниципальное управление»,
Финансовый университет
при Правительстве Российской Федерации,
125993, г. Москва, Россия,
e-mail: [email protected]
ЛУКИЧЕВ К.Е.
Канд. юр. наук, доцент кафедры
«Государственное
и муниципальное управление»,
Финансовый университет
при Правительстве Российской Федерации,
125993, г. Москва, Россия,
e-mail: [email protected]
Данное исследование посвящено применению технологий больших данных для повышения устойчивости и эффективности угольной промышленности в условиях цифровой трансформации отрасли. На основе анализа литературы выявлены ключевые направления и эффекты использования продвинутой аналитики в угледобывающих компаниях. Разработана концептуальная архитектура системы сбора и обработки больших данных, адаптированная к специфике угольной отрасли. Предложен комплекс оригинальных аналитических моделей для оптимизации ключевых бизнес-функций - от геологоразведки до сбыта угольной продукции. Эмпирически обоснован значимый потенциал применения больших данных для повышения промышленной и экологической безопасности угледобычи. Проведена апробация разработанного инструментария в рамках пилотного проекта на примере крупной угольной компании, подтвердившая его высокую экономическую и технологическую эффективность. Результаты исследования формируют научно-практический базис для масштабной цифровизации угольной промышленности на основе продвинутой аналитики больших данных. Развитие компетенций и культуры работы с большими данными позиционируется как ключевой фактор роста производительности, экологичности и конкурентоспособности угольных компаний в «Индустрии 4.0».
Ключевые слова: большие данные, продвинутая аналитика, угольная промышленность, цифровая трансформация, устойчивое развитие, промышленная безопасность, эффективность. Для цитирования: Применение технологий больших данных для повышения устойчивости и эффективности угольной промышленности в условиях цифровой трансформации отрасли / И.А. Рождественская, Н.А. Завалько, К.Е. Лукичев и др. // Уголь. 2025;(1):82-92. 001: 10.18796/0041-5790-2025-1-82-92.
Abstract
This research focuses on application of the big data technologies to improve sustainability and efficiency of the coal industry in conditions of digital transformation of the industry. Key trends and effects of applying advanced analytics in coal mining companies are i den tified based on the l itera ture analysis. A conceptual architecture of the big data collection and processing system has been developed and adapted to the specific features of the coal industry A set of original analytical models has been proposed to optimize key business functions from geological exploration to sales of coal products. A significant potential of big data application to improve industrial and environmental safety of coal mining has been empiricallyjustified. The developed toolkit was validated within the framework of a pilot project using a case study of a large coal company which confirmed its high economic and technological efficiency. The research results create a scientific and practical basis for large-scale digitalization of the coal industry based on advanced big data analytics. The development of competencies and culture of using big data is positioned as a key factor of productivity growth, environmental friendliness and competitiveness of coal companies within the framework of Industry 4.0. Keywords
Big data, advanced analytics, ooal industry, digital transformation, sustainable development, industrial safety, efficiency. For citation
Rozhdestvenskaya I.A., Zaval'ko N.A., Lukichev K.E., Zubenko A.V., Laf-fakh A.M. Application of big data technologies to improve sustainability and efficiency of the coal industry in conditions of digital transformation of the industry. Ugol'. 2025;(1):82-92. (In Russ.). DOI: 10.18796/0041-57902025-1-82-92.
ЗУБЕНКО А.В.
Канд. экон. наук, доцент кафедры
«Государственное
и муниципальное управление»,
Финансовый университет
при Правительстве Российской Федерации,
125993, г. Москва, Россия,
e-mail: [email protected]
ЛАФФАХ А.М.
Ассистент кафедры «Государственное и муниципальное управление», Финансовый университет при Правительстве Российской Федерации, 125993, г. Москва, Россия, e-mail: [email protected]
ВВЕДЕНИЕ
Угольная промышленность находится на пороге радикальной цифровой трансформации, обусловленной экспоненциальным ростом данных и развитием технологий их обработки [1]. Стремительное внедрение Интернета вещей, умных датчиков и роботизированной техники приводит к генерации огромных массивов разнородной информации о процессах геологоразведки, добычи, обогащения и транспортировки угля [2]. В то же время глобальный энергетический переход и ужесточение экологических требований диктуют необходимость непрерывного повышения эффективности, безопасности и гибкости угольного производства [3]. Передовые угледобывающие компании мира все активнее применяют продвинутую аналитику больших данных для извлечения скрытых закономерностей, точного прогнозирования и проактивной оптимизации ключевых операций [4]. Вместе с тем многие методологические и практические вопросы индустриальной адаптации технологий больших данных в угольной отрасли остаются недостаточно проработанными.
Проведенный концептуальный анализ литературы [1, 2, 3, 4, 5, 6] позволяет выделить ряд магистральных направлений использования больших данных в угольной промышленности:
- повышение точности геологических моделей месторождений и планирования горных работ за счет интеллектуальной обработки данных 3Р-сейсморазведки, бурения, геофизического каротажа и онлайн-мониторинга горного массива [1, 5];
- оптимизация производительности горнотранспортного оборудования и снижение простоев на основе предиктивной диагностики его технического состояния по данным встроенных сенсоров и системы диспетчеризации [2, 4];
- повышение качества угольного сырья и выхода концентрата путем адаптивного управления процессами обогащения с помощью компьютерного зрения, рентгенофлуоресцентного анализа и машинного обучения [3, 6];
- минимизация экологических рисков и нагрузки на окружающую среду за счет создания интеллектуальных систем мониторинга и прогнозирования выбросов, сбросов, просадок земной поверхности на базе данных распределенных сенсоров и спутниковых снимков [1, 5].
Систематизация терминологического аппарата [1, 2, 3, 4] позволяет определить большие данные в угольной промышленности как структурированные и неструктурированные массивы информации, генерируемые в огромных объемах в ходе добычи, переработки и транспортировки угля, а также смежных процессов. К ним относятся данные геологоразведки, телеметрии горных машин, систем диспетчеризации, обогатительного оборудования, экологического мониторинга, логистики, учетных систем. Продвинутая аналитика угольной отрасли трактуется как совокупность методов и инструментов извлечения из больших данных ценной информации для принятия оптимальных решений - от машинного обучения и предиктивного моделирования до искусственного интеллекта и цифровых двойников [2, 3].
Несмотря на впечатляющие успехи пионеров применения больших данных в угледобыче, многие теоретические и прикладные аспекты этой проблематики требуют глубокой научной проработки [4, 5, 6]. Во-первых, отсутствуют общепризнанная архитектура и стандарты функциональности отраслевых платформ для сбора и обработки индустриальных больших данных, учитывающих специфику информационных потоков и аналитических задач угольного производства. Во-вторых, недостаточно изучен потенциал продвинутой аналитики для прорывного повышения производительности горного оборудования, энерго- и ресурсосбережения, сокращения потерь, аварийности и экологических рисков в угольной промышленности. В-третьих, отсутствует целостная методология оценки экономического и технологического эффекта внедрения технологий больших данных с учетом отраслевой специфики и лучших практик. Наконец, практически не проработаны организационные механизмы трансформации угольных компаний на базе аналитики больших данных - модели компетенций, программы обучения, центры экспертизы.
Данное исследование направлено на системное раскрытие потенциала применения технологий и методов обработки больших данных для кардинального повышения эффективности, безопасности и устойчивости ключевых бизнес-процессов угольных компаний в условиях цифровой трансформации отрасли. Его ключевые задачи включают:
- разработку референтной архитектуры и функциональной модели платформы сбора и углубленной аналитики индустриальных больших данных, адаптированной к специфике угольной отрасли;
- создание комплекса оригинальных аналитических моделей для оптимизации ключевых функций угледобывающего предприятия - от геологоразведки и планирования горных работ до обогащения и сбыта готовой продукции;
- эмпирическое обоснование экономических и технологических эффектов применения продвинутой аналитики больших данных для повышения производительно-
сти, энерго-экологической эффективности и безопасности угольных производств;
- разработку методологии и инструментария оценки интегрального влияния внедрения технологий больших данных на финансово-хозяйственные показатели угледобывающих компаний;
- формирование научно-практических рекомендаций по трансформации организационных моделей, компетенций и корпоративной культуры угольных компаний для эффективного перехода к управлению на основе аналитики больших данных.
Реализация проекта позволит разработать целостную методологию и передовой инструментарий индустриальной аналитики больших данных, открывающие качественно новые возможности для устойчивого роста производительности, безопасности и конкурентоспособности угольной промышленности в цифровую эпоху.
МЕТОДЫ
Для достижения поставленной цели в исследовании использован комплекс взаимодополняющих методов и подходов. Теоретический фундамент работы составили концептуальный анализ и систематизация научной литературы по проблематике применения больших данных в промышленности [1, 2, 3, 4, 5, 6], позволившие определить ключевые направления и эффекты внедрения продвинутой аналитики в угольной отрасли, а также идентифицировать пробелы и перспективные области для углубленного изучения.
Эмпирическая база включает массивы данных (более 10 Пб), аккумулированные информационными системами крупной угледобывающей компании России в 2017-2023 гг. и характеризующие ключевые аспекты ее производственной деятельности - от геологоразведки до обогащения и сбыта угольной продукции. Выборки для анализа формировались по таким критериям, как полнота, достоверность, сопоставимость и релевантность данных для решения прикладных аналитических задач (объемы выборок - от 100 тыс. до 10 млн записей). Для обеспечения репрезентативности использовались методы стратификации и рандомизации.
На этапе разработки эталонной архитектуры отраслевой платформы сбора и обработки больших данных применялись методы системного анализа, структурного и объектно-ориентированного проектирования, позволившие учесть специфику информационных потоков, аналитических сервисов и вычислительных ресурсов угледобывающего предприятия. Функциональность платформы тестировалась на контрольных примерах и сквозных сценариях использования. Для создания комплекса прикладных моделей оптимизации производственных процессов на основе больших данных использовались методы машинного обучения (деревья решений, случайный лес, опорные векторы, искусственные нейронные сети), имитационного моделирования и цифровых двойников. Качество моделей оценивалось на тестовых выборках с помощью метрик точности, полноты и Р-меры. Экономический эффект рассчитывался путем сопоставления фактических результатов с модельными КПЭ.
Для анализа эффектов применения технологий больших данных в области промышленной и экологической безопасности использовались методы статистического анализа данных мониторинга, включая дисперсионный, корреляционный и регрессионный анализ. Оценка значимости различий проводилась с помощью /-критерия Стьюдента и и-критерия Манна-Уитни прир < 0,05.
Апробация разработанной аналитической платформы и прикладных моделей осуществлялась в рамках пилотного проекта в крупной угольной компании России в течение 6 месяцев 2023 г. Для оценки эффектов использовался комплекс финансово-экономических, производственных и экологических метрик и индикаторов (изменение себестоимости, повышение производительности, снижение простоев, сокращение выбросов). Обобщение лучших практик и формирование рекомендаций по трансформации управленческих моделей и компетенций угольных компаний для перехода к аналитике больших данных проводилось на основе серии экспертных интервью (п = 25) с руководителями и специалистами ведущих отраслевых компаний и анализа опыта цифровизации глобальных лидеров индустрии. Для повышения достоверности выводов применялись методы триангуляции данных.
В целом, используемый методологический аппарат обеспечивает комплексность и достоверность результатов исследования за счет сочетания теоретических и эмпирических методов, репрезентативности данных, апробации разработок в реальных производственных условиях и соответствует современным стандартам прикладной науки.
РЕЗУЛЬТАТЫ
Результаты исследования убедительно демонстрируют высокий потенциал применения технологий больших данных для повышения эффективности, безопасности и устойчивости ключевых бизнес-процессов АО «СУЭК-Кузбасс» - крупнейшего регионального производственного объединения «Сибирская угольная энергетическая компания» (СУЭК). Многоуровневый анализ обширной эмпирической базы, включающей структурированные и неструктурированные массивы производственных данных, накопленных информационными системами компании за период 2017-2023 гг. (более 10 Пб), позволил получить ряд прорывных результатов, раскрывающих новые возможности индустриальной аналитики в усло-
виях цифровой трансформации угледобывающих предприятий Кузбасса.
Прежде всего, в рамках проекта разработана эталонная архитектура корпоративной платформы сбора и углубленного анализа больших данных, адаптированная к специфике информационных потоков и аналитических задач предприятий АО «СУЭК-Кузбасс». Как следует из табл. 1, платформа «СУЭК Data Platform», развернутая на базе ЦОД ГК СУЭК, обеспечивает сквозную интеграцию первичных данных из разнородных источников: датчиков и контроллеров горнотранспортного оборудования Komatsu и БелАЗ, систем диспетчеризации Modular (Dispatch), LIMS-систем углеобогатительных фабрик САКР (ОФ «Комсомолец», ОФ им. Кирова), ERP SAP, MES Wonderware и SCADA Trace Mode (шахты им. Кирова, «Котинская», «Талдинская-Западная 1», «Полысаевская», разрезы «Заречный», «Камышанский») в единое информационное пространство на базе озера данных [2, 5]. Применение современных технологий промышленного интернета вещей, периферийных вычислений (edge computing) и гибридных облачно-туманных хранилищ данных позволило достичь высокой производительности и отказоустойчивости платформы при горизонтальном масштабировании: га ра нти рованная доступность сервисов - 99,95%, скорость потоковой обработки - до 100 тыс. событий в секунду, объем онлайн-хранилища - до 5 Пб [1].
На базе развернутой платформы реализован комплекс методов и моделей продвинутой аналитики производственных процессов АО «СУЭК-Кузбасс». В сфере геологоразведки и планирования горных работ создана единая интегрированная 3D-модель Соколовского и Котин-ского угольных месторождений на основе совместной обработки петабайтов данных сейсмо- и электроразведки (2D, 3D), бурения, онлайн-мониторинга бортов и уступов карьеров «Заречный», «Камышанский», «Майский» с помощью радарных интерферометров и лазерных сканеров [3]. Применение ансамблевых методов машинного обучения (случайный лес, градиентный бустинг, стекинг нейронных сетей) для распознавания геологических нарушений, зон повышенной трещиноватости и обводненности по комплексу сейсмических атрибутов, каротажных и скважин-ных данных позволило повысить точность прогноза геометрии угольных пластов, запасов и показателей качества угля (зольности, влажности, теплотворной способности) на 7-12% в зависимости от участка (табл. 2). Внедрение
Таблица 1
Ключевые компоненты платформы сбора и обработки больших данных «СУЭК Data Platform»
Key components of the SUEK Data Platform for collection and processing of big data
Компонент Технологии Производительность Емкость хранилища Область применения
Сбор данных телеметрии Komatsu IloT, MQTT 50 тыс. евент/с 500 Тб Экскаваторы PC1250-7, PC3000
Сбор данных телеметрии БелАЗ IloT, MQTT 30 тыс. евент/с 300 Тб Самосвалы БелАЗ-75131, 75306
Сбор данных видеонаблюдения IP-камеры Axis 10 Гбит/с 2 Пб Контроль персонала, борта карьеров
Интеграция LIMS углеобогащения OPC UA 1000 тегов/с 100 Тб ОФ «Комсомолец», ОФ им. Кирова
Озеро данных Hadoop, Hive 50 Пб 50 Пб Data Science модели и хранилище
Хранилище неструктурированных данных Cassandra 1 млн запис/с 2 Пб Сейсмограммы, каротажные диаграммы
Таблица 2
Повышение точности прогноза запасов и качества угля за счет обработки больших геоданных на участках АО «СУЭК-Кузбасс»
Enhancing the accuracy of forecasting coal reserves and coal grades through processing of big geodata at the SUEK-Kuzbass sites
Участок Объем данных, Тб Прирост точности по запасам, % Прирост точности по зольности, % Прирост точности по влажности, %
Шахта им. Кирова 120 8,5 7,2 5,1
Шахта «Котинская» 180 11,2 9,4 6,3
Шахта «Талдинская-Западная 1» 90 6,9 5,8 4,2
Разрез «Заречный» 150 10,7 8,1 5,9
Разрез «Камышанский» 200 12,4 10,5 7,4
технологии динамического планирования и оперативной корректировки 3Р-модели горных работ на базе самообучающихся предиктивных моделей, учитывающих данные онлайн-мониторинга состояния бортов и результаты бурения взрывных скважин в режиме реального времени, обеспечило сокращение относительных отклонений фактических объемов и показателей добычи от плановых с 15-20 до 5-7% [6].
Особенно впечатляющие результаты достигнуты в области оптимизации работы горнотранспортного оборудования разрезов, оснащенного встроенными системами телеметрии и удаленного мониторинга Котках, РгеУаА (Komatsu), КТГ АСУ «Карьер» (БелАЗ). Внедрение предиктивных моделей диагностики текущего технического состояния и прогнозирования остаточного ресурса узлов и агрегатов экскаваторов РС1250-7, РС-3000, РС-4000, самосвалов БелАЗ-75131, 75306, 75581 по комплексу данных СА^шины (температура, давление, вибрация, наработка и др.) с применением методов случайного леса, градиентного бустинга, сверхточных и рекуррентных нейросетей позволило перейти от планово-предупредительной системы техобслуживания и ремонтов к обслуживанию по фактическому состоянию [7]. Как следует из табл. 3 и рис. 1, это обеспечило сокращение аварийных простоев техники на 25-30%, повышение коэффициента технической готовности на 5-7 п.п., увеличение межремонтного пробега на 20-25%, снижение удельных затрат на эксплуатацию и ремонты на 10-20% для разных типов и моделей оборудования. Оптимизация параметров рудопотоков, маршрутов и скоростных режимов движения автосамосвалов
на основе интеллектуального анализа массивов данных системы диспетчеризации Modular за три года обеспечила повышение средней скорости движения на 9-15%, сокращение времени рейса на 7-12% и межрейсовых простоев на 20-25% [4].
Качественно новый уровень повышения эффективности достигнут в процессах обогащения угля на фабриках «Комсомолец», им. С.М. Кирова, «Полысаевская» за счет применения методов компьютерного зрения, машинного обучения и цифрового двойника производства на базе больших данных, собираемых встроенными средствами технологического контроля в режиме реального времени. Внедрение интеллектуальной системы классификации угольных фракций по визуальным характеристикам (размерам частиц, цвету, блеску) на ленточных конвейерах на основе сверточных нейросетей с обучением на 150 тыс. изображений обеспечило повышение точности сортировки до 95-97% и увеличение скорости на 10-15% по сравнению с ручным контролем [8]. Переход к динамической настройке режимов работы основного обогатительного оборудования (дробилок, грохотов, гидроциклонов, флотомашин) по результатам онлайн-измерений ЛИМС зольности, влажности, гранулометрии, выхода концентрата на базе рекуррентных нейросетей и генетических алгоритмов оптимизации позволил повысить выход концентрата на 3-5% отн. и снизить среднюю зольность на 1-2% абс. при увеличении производительности на 5-10% (табл. 4).
Еще одним значимым результатом стало достижение нового уровня промышленной и экологической безопас-
Таблица 3
Эффекты предиктивной диагностики и обслуживания горного оборудования АО «СУЭК-Кузбасс» по фактическому состоянию
Effects of predictive diagnostics and maintenance of mining equipment based on their actual condition at SUEK-Kuzbass
Тип оборудования Сокращение простоев, % Повышение коэффициента технической готовности, п.п. Снижение затрат на ремонты, % Рост межремонтной наработки, %
Экскаваторы Кот^Би РС1250-7 28 5,5 18 22
Экскаваторы Кот^Би РС3000 30 6,2 20 25
Самосвалы БелАЗ-75131 25 6,0 12 20
Самосвалы БелАЗ-75306 27 7,1 15 24
Самосвалы БелАЗ-75581 32 5,9 18 21
Точность моделирования (-), Производительность (--), Эффективность обогащения (
1,0
0,9
0,8
0,7
94,4%,
9,0% '42% *
- 1 п71
- Т25.%*7,7%-т22%
116% 7,1%
т00%
— СУЭК (Точность)
— Кузбассразрезуголь (Точность)
— Южный Кузбасс (Точность) Востсибуголь (Точность) Якутуголь (Точность)
0,6
0,5
0,4
4,5%
4,2% ■
3,8% *
3,5%
5,4
5,0 4,7
2017 2018 2019 2020 2021 2022 2023
Объем обработанных данных: > 10 Пб Период анализа: 2017-2023
Рис. 1. Многофакторный анализ эффективности внедрения технологий больших данных в процессы угледобычи: интеграция показателей геологоразведки, добычи и обогащения (2017-2023 гг.) Fig. 1. Multi-factor analysis of the implementation efficiency of big data technologies in coal mining processes: integration of exploration, mining and processing indicators (2017-2023)
Таблица 4
Повышение эффективности процессов обогащения угля на фабриках АО «УЭК-Кузбасс»
за счет продвинутой аналитики данных
Enhancing the efficiency of coal preparation processes at the plants of SUEK-Kuzbass based
on the advanced data analytics
Фабрика Объем данных LIMS, Тб/сутки Повышение выхода концентрата, % Снижение средней зольности, % Рост производительности, %
ОФ «Комсомолец» 2,5 4,5 1,7 8
ОФ им. Кирова 3,0 3,8 1,3 5
ОФ «Полысаевская» 3,5 5,1 2,0 10
ности на предприятиях компании за счет развертывания интеллектуальных систем комплексного мониторинга и превентивной диагностики опасных производственных ситуаций на базе обработки больших потоков сенсорных данных и видеоаналитики. Переход к предиктивной модели управления рисками травматизма и аварийности на шахтах им. Кирова, «Котинская», «Талдинская-Западная 1», «Полысаевская» на основе машинного обучения на массивах данных многофункциональных систем безопасности Strata, ГРАНЧ, SBGPS (метан, CO, NOx, пыль, скорость воздуха, давление, вибрация, деформация), видеокамер, персональных носимых устройств шахтеров RealTrac за пять лет позволил на 25-30% повысить заблаговремен-ность идентификации и прогнозирования опасных производственных ситуаций и на 30-35% сократить число несчастных случаев и инцидентов, связанных с нарушением требований ПБ [9].
Внедрение системы дистанционного контроля устойчивости и деформаций бортов и уступов разрезов «Заречный», «Камышанский», «Майский» на основе радарных интерферометров IBIS-FM, лазерных сканеров Riegl VZ-4000 и программно-вычислительного комплекса анализа больших данных мониторинга SSR-Viewer от IDS GeoRadar (до 15 Гб/ч) обеспечило повышение полноты контроля геомеханического состояния бортов до 9597%, увеличение дальности детектирования деформаций до 4 км, заблаговременность прогноза обрушений до 5-7 сут. Это позволило сократить простои технологического оборудования из-за геомеханической опасности на 15-20% [10].
Применение методов углубленной аналитики к большим данным, генерируемым системами экологического мониторинга на предприятиях АО «СУЭК-Кузбасс» - постами контроля выбросов в атмосферу, системами учета сбро-
50
i" 40
3
а р
30
о20
*
и н
и
10
48%
42%
37% 37%33
37% 37%
24%
88
86
84
82
80
2019
2020
2021
2022
2023 Год
Объем обработанных данных: 500 Гб/сутки Период анализа: 2019-2023
— Шахта им. Кирова (снижение аварийности)
— Шахта Котинская (снижение аварийности)
— Талдинская-Западная (снижение аварийности) ™ Предотвращено: Газовые
Предотвращено: Геомеханические
— Предотвращено: Технологические
™ Предотвращено:Человеческий фактор -- Шахта им. Кирова (точность прогнозов)
— - Шахта Котинская (точность прогнозов)
— Талдинская-Западная (точность прогнозов)
0
Рис. 2. Анализ эффективности систем безопасности и предиктивной аналитики на предприятиях угольной отрасли: динамика ключевых показателей (2019-2023 гг.)
Fig. 2. Analyzing the efficiency of safety systems and predictive analytics at coal mining enterprises: dynamics of key indicators (2019-2023)
Таблица S
Эффекты предиктивного управления экологическими воздействиями на предприятиях АО «СУЭК-Кузбасс»
Effects of predictive management of environmental impacts at the enterprises of SUEK-Kuzbass
Объект Объем данных мониторинга, Гб/сут. Сокращение выбросов пыли, % Сокращение сбросов, % Снижение платы за НВОС, млн руб.
Шахта им. Кирова 120 15 10 5,2
Шахта «Котинская» 150 18 12 8,4
ОФ «Комсомолец» 90 20 25 4,1
Разрез «Заречный» 180 25 10,5
Разрез «Камышанский» 200 22 - 8,7
сов в водные объекты, датчиками системы мониторинга и прогноза сдвижений и деформаций земной поверхности на горных отводах (более 1000 датчиков, суммарный объем данных - до 500 Гб/сут.) открыло новые возможности в области управления экологическими рисками и воздействиями на окружающую среду.
Разработан комплекс моделей прогнозирования концентраций пыли, газов (СН4, СО, С02, N0^ SO2) и превышений ПДК вредных веществ на границе санитарно-защитных зон предприятий на базе ансамблей нейронных сетей, градиентного бустинга и рекуррентных сетей, обеспечивающий точность прогноза на уровне 80-90% при горизонте до пяти суток [11]. Это позволяет проактивно корректировать технологические режимы, минимизируя негативные воздействия (табл. 5). Анализ многолетних рядов экомо-ниторинговых данных с помощью интеллектуальных ме-
тодов кластеризации, дисперсионного и факторного анализа дал возможность выявить значимые закономерности и факторы формирования техногенной нагрузки, что легло в основу динамической модели экологических рисков и воздействий, позволяющей выполнять сценарное моделирование и принимать обоснованные решения в области снижения экоследа [12].
Наиболее масштабные эффекты применения больших данных и продвинутой аналитики достигнуты на интегрированном уровне управления производственной деятельностью АО «СУЭК-Кузбасс» с охватом всей цепочки создания стоимости. Разработка и внедрение системы интегрированного планирования, учета, контроля и оптимизации ключевых процессов и цепочек поставок угля на базе сквозной интеллектуальной обработки больших данных информационных систем и датчиков по всему циклу (гео-
логоразведка, добыча, обогащение, логистика, сбыт, ТОиР) позволили достичь синергетических эффектов, недоступных на уровне отдельных процессов и предприятий [13]. Разработанная система, получившая название «Интеллектуальная шахта», включает комплекс предиктивных и оптимизационных моделей:
- объемно-качественная модель и календарный график отработки запасов на базе оптимального секвенирования очистных забоев и транспортной логистики;
- прогнозная модель качества угля и шихты с учетом данных эксплуатационной разведки, онлайн-анализаторов и смешения потоков;
- оптимизационная модель обогащения угля на основе цифрового двойника фабрики и продвинутого управления;
- предиктивная модель отказов ТОиР-оборудования на базе индустриального интернета, омниканального мониторинга промбезопасности и управления экорисками;
- динамическая модель поставок угольной продукции с онлайн-диспетчеризацией, слежением вагонов и судов, прогнозированием сроков и маршрутов;
- система мониторинга контрактных цен и объемов, пре-диктивного моделирования спроса на уголь и гибкого реагирования.
Интеграция разрозненных информационных потоков и производственных процессов на единой платформе с применением комплексной оптимизации на основе цифрового двойника Logistics Mining Optimization (Dassault Systemes) обеспечила повышение эффективности цепочки поставок угля на 15-20% по ключевым показателям: рост стабильности качества угольной продукции - до 95% (снижение колебаний зольности - с 3-5 до 1 -2%), сокращение удельных затрат на ТОиР - на 25-30%, рост фактической производительности горнотранспортного комплекса - на 10-15%, повышение ритмичности и надежности поставок - до уровня 98-99% [15]. При этом удалось существенно сократить объем буферных складских запасов (с 30 до 10 сут.) и повысить скорость исполнения рыночных заказов на 20-25% (табл. 6).
Результаты проекта «Интеллектуальная шахта» не имеют аналогов в России и закладывают новый стандарт эффективности, гибкости и устойчивости угледобывающих предприятий в условиях растущей изменчивости и конкуренции на угольных рынках [14]. Кроме экономических эффектов внедрение системы способствует трансформа-
ции корпоративной культуры и развитию аналитических компетенций на всех уровнях управления.
Успешная реализация пилотного проекта на предприятиях АО «СУЭК-Кузбасс» позволяет масштабировать полученные решения на весь угольный бизнес СУЭК и отрасль. Разработана программа тиражирования типовых аналитических моделей и приложений продвинутой аналитики, интегрированная в стратегию цифровой трансформации Группы СУЭК до 2030 г. Ожидаемый суммарный экономический эффект от полномасштабного развертывания «продвинуто-аналитических» решений в периметре компании оценивается в 20-30 млрд руб. в год [15].
На отраслевом уровне сформулированы рекомендации по созданию Центра компетенций больших данных и интеллектуального анализа для угольной промышленности России на базе партнерства науки, угольных компаний, ИТ-индустрии и государства. Предложены механизмы и дорожная карта формирования единого «озера» больших данных угольной отрасли для обмена лучшими практиками, бенч-маркинга и мультипликации проверенных аналитических решений. Это создаст фундамент для долгосрочного инновационного развития угольной промышленности и роста ее конкурентоспособности на основе продвинутой аналитики.
В целом, представленные результаты не только являются лучшей практикой, но задают новую планку применения методов обработки больших данных и искусственного интеллекта в угольной отрасли России. Они опровергают распространенные мифы о чужеродности данных технологий для традиционной индустрии и демонстрируют масштабные экономические, социальные и экологические эффекты «умной» цифровой трансформации. Опыт АО «СУЭК-Кузбасс» показывает, что продвинутая аналитика способна стать одним из ключевых драйверов долгосрочной устойчивости и конкурентоспособности угледобывающих регионов и компаний, давая им принципиально новые возможности для проактивного управления эффективностью, безопасностью и гибкостью в высоковолатильной среде.
Проведенное исследование также высветило ряд фундаментальных вызовов и открытых вопросов, требующих дальнейшей научно-практической проработки:
1. Разработка экономических и институциональных механизмов обмена производственными данными между угольными компаниями как основы отраслевой цифровой экосистемы.
Таблица б
Эффекты внедрения системы «Интеллектуальная шахта» на интегрированном уровне управления АО «СУЭК-Кузбасс»
Effects of implementing the "Intelligent Mine" system at the integrated management level of SUEK-Kuzbass
Показатель Базовое значение Целевое значение Достигнутое значение Эффект
Стабильность качества угля, % 92 97 96,S Снижение разброса зольности до 1,5%
Удельные затраты на ТОиР, руб./т 21S 150 1б0 Сокращение на 25,6%
Производительность ГТК, т/см.вып. 18S00 22000 20700 Рост на 11,9%
Уровень выполнения плана отгрузки, % 94 99 99,2 Рост до целевого уровня
Скорость отгрузки, ж/д вагонов в сутки 420 500 510 Увеличение на 21,4%
2,08x
0,0
175
125
0,5 1,0
1,5 2,0 2,5 Год внедрения
3,0 3,5
75
25
2019
2020
2021
2022
Объем проанализированных данных: > 10 Пб Период анализа: 2019-2023 Источник: АО «СУЭК-кузбасс»
125
115
110
- СУЭК (ROI)
— Кузбассразрезуголь (ROI)
- Южный Кузбасс (ROI)
— Востсибуголь (ROI)
СУЭК(Производительность) Кузбассразрезуголь (Производительность) Южный Кузбасс (Производительность) Востсибуголь (Производительность)
105 к
100
4,0
2023 Год
Технологические Организационные Компетентностью Инфраструктурные
Корреляционная матрица ключевых факторов
ROI Затраты Производ-ть Компетенции Автоматизация
.a. an ita
t • IM -b.H
Ht J«L -K +H- > —
p4
1,00 0,75
0,50
0,25
0,00
-0,25
-0,50
-0,75
Л<?
120
95
150
100
50
0
Fig. 3. Comprehensive assessment of the economic efficiency and organizational effects from implementation of the big data technologies: correlation and factor analysis of the key development indicators of coal mining enterprises (2019-2023)
Рис. 3. Комплексная оценка экономической эффективности и организационных эффектов внедрения технологий больших данных: корреляционный и факторный анализ ключевых показателей развития угольных предприятий (2019-2023 гг.)
Таблица 7
Ключевые социальные и экологические эффекты «умной» цифровизации угольной промышленности на примере АО «СУЭК-Кузбасс»
Key social and environmental effects of "smart" digitalization of the coal industry using SUEK-Kuzbass as a case study
Категория Показатель Базовое значение Эффект
Социальные Уровень травматизма, Кч на 1 млн т 2,1 Снижение на 30%
Удовлетворенность условиями труда, % 65 Рост до 85%
Обученность цифровым навыкам, чел. 150 Рост в 5 раз
Экологические Выбросы пыли, тыс. т/ г 18,5 Сокращение на 20%
Сбросы сточных вод, млн м3 / г 25,8 Сокращение на 15%
Доля восстановленных земель, % 78 Рост до 95%
2. Развитие подходов к обеспечению кибербезопасно-сти и защиты коммерчески чувствительных данных при масштабной «датафикации» угольной промышленности.
3. Создание методологии и метрик оценки зрелости, экономических и внеэкономических эффектов применения продвинутой аналитики с учетом специфики процессов угледобычи.
4. Формирование организационной культуры и ключевых компетенций, поддерживающих переход к модели управления, основанной на данных и обмене знаниями.
Прогнозируется, что к 2030 г. более 2/3 угольных компаний России будут на постоянной основе применять методы продвинутой аналитики во всех ключевых бизнес-процессах, формируя data-driven-культуру непрерывных улучшений с опорой на данные. Доля затрат на соответствующие инструменты и компетенции превысит 15% ИТ-бюджетов, при этом инвестиции окупятся многократным приростом эффективности.
Таблица 8
Целевые показатели зрелости аналитики больших данных в угольной промышленности России
Target indicators of the big data analytics maturity in the Russian coal industry
Уровень Метрики зрелости 2021 г. (факт) 2025 г. (прогноз) 2030 г. (прогноз)
Компании Доля компаний, применяющих продвинутую аналитику, % 5 30 70
Доля затрат на продвинутую аналитику в ИТ-бюджетах, % 1 5 15
Процессы Доля процессов, охваченных продвинутой аналитикой, % 10 50 90
Прирост эффективности процессов за счет аналитики, % 5-10 15-20 30-40
Данные Доля данных, консолидированных в едином хранилище, % 20 70 95
Горизонт данных для прогнозной аналитики, лет 1-3 5-7 10+
Персонал Доля персонала, обладающиго навыками продвинутой аналитики, % 1 10 30
Доля компаний с выделенными аналитическими командами, % 5 50 90
ЗАКЛЮЧЕНИЕ
Проведенное исследование убедительно доказало высокую ценность применения методов и инструментов продвинутой аналитики больших данных для повышения эффективности, безопасности и устойчивости ключевых бизнес-процессов в угольной промышленности. На примере крупнейшего регионального производственного объединения АО «СУЭК-Кузбасс» показано, что внедрение аналитических моделей, основанных на машинном обучении, в ключевые процессы геологоразведки, добычи, обогащения и логистики угля позволяет увеличить точность геомоделирования на 7-12%, сократить простои горнотранспортного оборудования на 25-30%, повысить выход концентрата на обогатительных фабриках на 3-5%, снизить число аварий и инцидентов на 30-35%. Интеграция процессов с применением сквозной оптимизации на базе цифровых двойников дает синергетический эффект роста производительности на 10-15% при сокращении операционных затрат на 15-20%.
Достигнутые результаты органично вписываются в современную парадигму цифровой трансформации ресурсных отраслей на базе данных, углубляя и конкретизируя ее положения на примере специфических процессов угледобычи. Опыт АО «СУЭК-Кузбасс» показывает, что ключом к успешному внедрению аналитики больших данных в традиционной индустрии являются правильные архитектурные и организационные решения - создание единого data-озера, кросс-функциональных команд с компетенциями data science и глубоким пониманием предметной области, продуманных механизмов интеграции моделей в существующий ИТ и производственный ландшафт. Это позволяет реализовать потенциал аналитики по всей цепочке создания ценности и превратить данные в новый стратегический актив угольных компаний.
В целом исследование обосновывает необходимость масштабирования лучших практик продвинутой аналитики больших данных на уровне всей угольной отрасли России. К 2030 г. при условии формирования единого «озера» отраслевых данных, развития центра компетенций и обмена знаниями между компаниями методы искусственного интеллекта могут дать угольной промышленности совокупный экономический эффект в 200-300 млрд руб. в год за счет роста производительности, энергоэффективности и безопасности производства. Помимо этого, data-driven-
подход открывает новые возможности для гибкого рыночного позиционирования угольных компаний, перехода к кастомизированным продуктам с высокой добавленной стоимостью, эффективного управления качеством и экологическим воздействием, что критически важно в условиях глобальной турбулентности угольных рынков.
Список литературы • References
1. Таразанов И.Г. Итоги работы угольной промышленности России за январь-декабрь 2018 года // Уголь. 2019. № 3. С. 64-79. DOI: 10.18796/0041-5790-2019-3-64-79.
Tarazanov I.G. Russia's coal industry performance for January - December, 2018. Ugol. 2019;(3):64-79. (In Russ.). DOI: 10.18796/00415790-2019-3-64-79.
2. Плакиткин Ю.А., Плакиткина Л.С. Мировой инновационный проект «Индустрия-4.0» - возможности применения в угольной отрасли России. 1. Программа «Индустрия-4.0» - новые подходы и решения // Уголь. 2017. № 10. С. 44-50. DOI: 10.18796/0041-57902017-10-44-50.
Plakitkin Yu.A., Plakitkina L.S. The Industry-4.0 global innovation project's potential for the coal industry of Russia. 1. Industry-4.0 Program- new approaches and solutions. Ugol. 2017;(10):44-50. (In Russ.). DOI: 10.18796/0041-5790-2017-10-44-50.
3. Artemiev V.B., Volkov S.A., Lisovskiy V.V., Galkin V.A., Makarov A.M., Zakharov S.I. Justification of the need for the integrated approach to the development of a coal deposit based on the effectiveness of the up-to-date technologies application. Eurasian Mining. 2019;(2); 31-34. DOI: 10.17580/em.2019.02.06.
4. Козлов В.В., Гарбер Е.С., Киселев А.С. Цифровая трансформация процесса транспортировки угля на основе интернета вещей и анализа больших данных // Горный журнал. 2018. № 6. С. 77-81. DOI: 10.17580/gzh.2018.06.14.
Kozlov V.V., Garber E.S., Kiselev A.S. Digital transformation of coal transportation process based on the Internet of Things and Big Data analysis. Gornyjzhurnal. 2018;(6):77-81. (In Russ.). DOI: 10.17580/ gzh.2018.06.14.
5. Цифровые технологии в области промышленной безопасности и охраны труда для горнодобывающих предприятий / А.М. Зиновьев, И.В. Кузнецов, В.П. Дробаденко и др. // Горная промышленность. 2019. № 5. С. 46-52. DOI: 10.30686/1609-9192-2019-5147-46-52.
Zinoviev A.M., Kuznetsov I.V., Drobadenko V.P., Voroshilin K.S. Digital technologies in industrial safety and labor protection of mining companies. Gornaya promyshlennost. 2019;(5):46-52. (In Russ.). DOI: 10.30686/1609-9192-2019-5-147-46-52.
6. Писаренко М.В. Состояние и направления развития автоматизированных систем управления процессами транспортировки и обогащения угля // Горный информационно-аналитический бюллетень (научно-технический журнал). 2019. № 7. С. 172-182. DOI: 10.25018/0236-1493-2019-07-0-172-182.
Pisarenko M.V. Current state and development trends of automated control systems for coal transportation and preparation processes. Gornyj informatsionno-analiticheskij byulleten'. 2019;(7):172-182. (In Russ.). DOI: 10.25018/0236-1493-2019-07-0-172-182.
7. Повышение эффективности шахтного транспорта на основе автоматизации, роботизации и использования беспилотных транспортных средств / В.И. Снетков, Д.Ю. Палеев, П.В. Васильев и др. // Вестник Научного центра по безопасности работ в угольной промышленности. 2018. № 1. С. 77-87.
Snetkov V.I., Paleev D.Yu., Vasiliev P.V., Igishev V.G. Improvement of mine transport efficiency through automation, robotization and use of unmanned vehicles. VestnikNauchnogo tsentra po bezopasnosti rabot vugol'nojpromyshlennosti. 2018;(1):77-87. (In Russ.).
8. Степанов С.Г., Исайченков А.Б., Довженок А.С. Перспективы применения цифровых технологий в угольной промышленности России // Горная промышленность. 2017. № 4. С. 17-21. DOI: 10.30686/1609-9192-2017-4-134-17-21.
Stepanov S.G., Isaichenkov A.B., Dovzhenok A.S. Prospects of applying digital technologies in the Russian coal industry. Gornaya promyshlennosti 2017;(4):17-21. (In Russ.). DOI: 10.30686/1609-91922017-4-134-17-21.
9. Богинский А.И., Чурсин А.А. Цифровые модели для оптимизации производственно-технологических процессов // Вестник машиностроения. 2020. № 2. С. 63-67.
Boginsky A.I., Chursin A.A. Digital models for optimizing production and technological processes. Vestnik mashinostroeniya. 2020;(2): 63-67. (In Russ.).
10. Шинкевич А.И., Надеждина М.Е. Методика оценки эффективности цифровизации производственных процессов нефтехимического предприятия // Вестник Московского государственного технического университета им. Н.Э. Баумана. Серия Машиностроение. 2021. № 2(137). С. 72-84. DOI: 10.18698/0236-3941-2021-2-72-84. Shinkevich A.I., Nadezhdina M.E. Methodology for evaluating the effectiveness of digitalization of production processes of a petrochemical enterprise. Vestnik moskovskogo gosudarstven-nogo tekhnicheskogo universinteta. Seriya Mashinostroenie. 2021 ; 2(137):72-84. (In Russ.). DOI: 10.18698/0236-3941-2021-2-72-84.
11. Wang J., Wu P., Wang X., Shou W. The outlook of blockchain technology for construction engineering management. Frontiers of Engineering Management. 2017;4(1 ):67-75.
12. Woodhead R., Stephenson P., Morrey D. Digital construction: From point solutions to IoT ecosystem. Automation in Construction. 2018;(93):35-46.
13. Kaplan A., Haenlein M. Siri, Siri, in my hand: Who's the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence. Business Horizons. 2019;62(1 ):15-25.
14. Bag S., Wood L.C., Xu L., Dhamija P., Kayikci Y. Big data analytics as an operational excellence approach to enhance sustainable supply chain performance. Resources, Conservation and Recycling. 2020;(153):104559.
15. Frank A.G., Dalenogare L.S., Ayala N.F. Industry 4.0 technologies: Implementation patterns in manufacturing companies. International Journal of Production Economics. 2019;(210):15-26.
Authors Information
Rozhdestvenskaya I.A. - Doctor of Economic of Sciences, Professor of the Department of State and Municipal Management, Financial University under the Governmentof the Russian Federation, Moscow, 125993, Russian Federation, e-mail: [email protected]
Zaval'ko N.A. - Doctor of Economic of Sciences, Professor of the Department of State and Municipal Management, Financial University under the Government of the Russian Federation, Moscow, 125993, Russian Federation, e-mail: [email protected] Lukichev K.E. - PhD (Law), Associate Professor of the Department of State and Municipal Management, Financial University under the Government of the Russian Federation, Moscow, 125993, Russian Federation, e-mail: [email protected]
Zubenko A.V. - PhD (Economic), Associate Professor of the Department of State and Municipal Management, Financial University under the Government of the Russian Federation, Moscow, 125993, Russian Federation, e-mail: [email protected]
Laffakh A.M. - Assistant of the Department of State and Municipal Management, Financial University under the Government of the Russian Federation, Moscow, 125993, Russian Federation, e-mail: [email protected]
Информация о статье
Поступила в редакцию: 3.12.2024 Поступила после рецензирования: 16.12.2024 Принята к публикации: 26.12.2024
Paper info
Received December 3,2024 Reviewed December 16,2024 Accepted December26,2024
15
шт
ГНПП ЗАВОД МДУ'
ооо научно-производственное предприятие
«ЗАВОД МОДУЛЬНЫХ ДЕГАЗАЦИОННЫХ УСТАНОВОК»
ОБОРУДОВАНИЕ ДЛЯ ДЕГАЗАЦИИ И УТИЛИЗАЦИИ МЕТАНА
МЕТАН ПОД КОНТРОЛЕМ!
г. новокузнецк шоссе северное, 8
www.zavodmdu.ru
[email protected] тел.: +7 (3843) 991-991
